本研究分析了人工智能在软件测试中的应用现状，发现尽管AI在软件开发中逐渐普及，但在软件测试领域的进展仍然有限，实际应用与预期存在明显差距，相关实证研究也较少，揭示了行业中的潜在问题。

本研究提出了一种空间解耦框架，旨在简化低秩优化中的正交不变约束问题。该框架通过将有界秩与约束分解为独立空间，使得在光滑流形上实现Riemannian算法更加容易，实验证明其在实际应用中的优越性。

最近的文本到图像生成模型擅长模仿受版权保护的内容，引起艺术家担忧。本文重新定义“艺术版权侵权”为对图像集进行分类问题，并介绍了ArtSavant工具。该工具通过与372位艺术家作品组成的参考数据集比较，确定艺术家独特风格，并识别其是否出现在生成的图像中。实证研究揭示了三种流行的文本到图像生成模型中艺术风格被复制的普遍情况。在大量艺术家数据集中，仅有20%的艺术家风格有被复制的风险。

最近的文本到图像生成模型擅长模仿受版权保护的内容，引起艺术家担忧。本文重新定义“艺术版权侵权”为对图像集进行分类问题，并介绍了ArtSavant工具，可确定艺术家独特风格并识别其是否出现在生成的图像中。实证研究揭示了三种流行的文本到图像生成模型中艺术风格被复制的普遍情况。在大量艺术家数据集中，仅有20％的艺术家风格有被复制的风险。

神经网络的可塑性丧失是一种现象，其能力从新的经验中学习受到影响。研究发现，神经网络方向的曲率减少导致了可塑性的丧失。通过实证研究，证明了曲率减少与可塑性丧失同时或之前发生，并提出了一种缓解可塑性丧失的正则化方法。

本文介绍了视觉推理的前馈式和生成模型概念，并提出了一个实证研究计划，揭示灵长类动物视觉的混合算法。

本文介绍了ElitePLM对预训练语言模型进行大规模实证研究，设计了四个评估维度来衡量PLMs的能力。实验结果显示PLMs在不同测试中表现出色，微调对数据敏感，具有可转移性。该论文可指导未来工作选择和设计特定任务的PLMs。

该研究提出了一种基于不确定性感知的交通预测框架，能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。80%以上的交通数据可以被删除，剩余20%的样本对于训练模型具有相同的预测能力，证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

该文介绍了针对强化学习中的离线策略评估（OPE）的实验基准和实证研究，提供了一个完整的基准套件以研究不同属性对方法性能的相互作用，并将结果总结为实践指南。

通过实证研究，设计和实现了可配置的文本简化流水线，揭示了自动文本简化的优势和处理文化和常识知识的挑战。这是对荷兰语文本简化的第一步，为未来的研究和实践提供了启示。

本文强调将文档分类基准测试更贴近实际应用的需求，包括数据性质和分类任务。实证研究表明当前基准测试已不再相关，需要更新以评估完整文档。呼吁采用更成熟的评估方法，提出具体建议的希望之声作为结束。